我正在寻找一个监督神经网络的良好源代码示例，该网络接受两个以上的特征（与大多数XY示例不同）并将数据分为两组。根据我的阅读，Support Vector Machine (SVM)可能是一个解决方案吗？
我发现的所有分类示例都是二维的。以下是一些：
我正在尝试区分罕见事件和一些通常稳定的输入。 功能是键值对，其中值通常可以作为一个小数字离散化。第一类的可用培训数据非常庞大，但第二类培训数据很少，如果这样做有所不同。
[2, 1, 0, 1, 4, 3] -> A
[1, 1, 2, 3, 3, 0] -> A
[0, 0, 1, 3, 2, 0] -> A
[0, 4, 4, 4, 4, 3] -> B
[1, 3, 4, 4, 4, 0] -> ??? (probably B)
信心等级，例如。 “85％确定B”，有助于区分罕见事件的门槛。
神经网络是最好的解决方案吗？是否有内置的.NET库？
答案 0 :(得分：2)
实际上，所有这些机器学习技巧都有其优点和缺点。 在使用NN（单层感知器）时，您需要考虑是否有足够的训练数据。从技术上讲，您需要能够覆盖尺寸内的所有细胞才能获得良好的效果。
另一方面，SVM试图找到一个分隔数据点的边框，这样如果你的边界区域有间隙，那就没关系了。
围绕+/-提升有5-6个分类器并且说实话，似乎大多数时间类型的分类器是主观选择的。另一方面，有些人使用多个分类器并比较结果。
使用OpenCV，可以很容易地插入不同的分类器，因此您可以正确地使用它。我在C ++中使用OpenCV和NN分类器来完成我的项目，结果非常好：
答案 1 :(得分：-1)
SVM是n维的-只是示例通常是2D的，因为一旦达到3个以上，解决方案就不再真正适合2D插图。
它只有两个输出类（通常是Good和Bad），但是具有您喜欢的许多功能。这就是为什么将您的两个SVM类分开的线称为“超平面”的原因，因为它存在于多维空间中-每个要素一个维。